論文の概要: Rashomon Memory: Towards Argumentation-Driven Retrieval for Multi-Perspective Agent Memory

• arxiv url: http://arxiv.org/abs/2604.03588v1
• Date: Sat, 04 Apr 2026 04:29:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.657036
• Title: Rashomon Memory: Towards Argumentation-Driven Retrieval for Multi-Perspective Agent Memory
• Title（参考訳）: Rashomon Memory:マルチパースペクティブなエージェントメモリのためのArgumentation-Driven Retrievalを目指して
• Authors: Albert Sadowski, Jarosław A. Chudziak,
• Abstract要約: Rashomon Memoryは、並列目標条件のエージェントが優先順位に従ってエクスペリエンスをエンコードし、議論を通じてクエリ時に交渉するアーキテクチャである。 攻撃グラフのトポロジから検索モードが出現し、システムが解決を強制するのではなく、真に不一致を報告しているコンフリクト表面モードにより、意思決定者は、根底にある解釈的コンフリクトを直接見ることができることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI agents operating over extended time horizons accumulate experiences that serve multiple concurrent goals, and must often maintain conflicting interpretations of the same events. A concession during a client negotiation encodes as a ``trust-building investment'' for one strategic goal and a ``contractual liability'' for another. Current memory architectures assume a single correct encoding, or at best support multiple views over unified storage. We propose Rashomon Memory: an architecture where parallel goal-conditioned agents encode experiences according to their priorities and negotiate at query time through argumentation. Each perspective maintains its own ontology and knowledge graph. At retrieval, perspectives propose interpretations, critique each other's proposals using asymmetric domain knowledge, and Dung's argumentation semantics determines which proposals survive. The resulting attack graph is itself an explanation: it records which interpretation was selected, which alternatives were considered, and on what grounds they were rejected. We present a proof-of-concept showing that retrieval modes (selection, composition, conflict surfacing) emerge from attack graph topology, and that the conflict surfacing mode, where the system reports genuine disagreement rather than forcing resolution, lets decision-makers see the underlying interpretive conflict directly.
• Abstract（参考訳）: 拡張時間的地平線上で動作しているAIエージェントは、複数の同時目標を達成するエクスペリエンスを蓄積し、しばしば同じイベントの矛盾する解釈を維持する必要がある。 顧客交渉中の譲歩は、1つの戦略的目標に対して「信頼構築投資」、もう1つの目標に対して「契約責任」とエンコードされる。 現在のメモリアーキテクチャでは、単一の正しいエンコーディングを前提としています。 並列目標条件のエージェントが優先度に応じて経験を符号化し、議論を通じてクエリ時に交渉するアーキテクチャであるRashomon Memoryを提案する。 各視点は、独自のオントロジーと知識グラフを維持している。 検索において、パースペクティブは解釈を提案し、非対称なドメイン知識を用いて互いの提案を批判し、Dungの議論セマンティクスはどの提案が生き残るかを決定する。 攻撃グラフは、どの解釈が選択されたか、どの代替案が検討されたか、どの根拠が拒絶されたかを記録している。 本稿では, 検索モード(選択, 構成, コンフリクト)が攻撃グラフトポロジから出現し, コンフリクトサーフェスモードは, システムが解決を強制するのではなく, 真に不一致を報告し, 意思決定者がその根底にある解釈的コンフリクトを直接見ることができることを示す。

関連論文リスト

• AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents [49.63422082885992]
  長軸対話エージェントのための適応型ユーザ中心メモリフレームワークであるAdaMemを提案する。 AdaMemは対話履歴をワーキング、エピソディック、ペルソナ、グラフメモリに整理する。 LoCoMo と PERSONAMEM ベンチマーク上での AdaMem の評価を行った。
  論文  参考訳（メタデータ） (2026-03-17T13:22:54Z)
• Memory for Autonomous LLM Agents:Mechanisms, Evaluation, and Emerging Frontiers [0.42061757959666934]
  大きな言語モデル(LLM)エージェントは、単一のコンテキストウィンドウが小さすぎて何が起きているのかをキャプチャできないような環境で、ますます運用される。 メモリはステートレステキストジェネレータを真に適応的なエージェントに変える。 この調査は、メモリがどのように設計され、実装され、現代のLCMベースのエージェントで評価されるかという構造化された説明を提供する。
  論文  参考訳（メタデータ） (2026-03-08T15:08:01Z)
• LaSER: Internalizing Explicit Reasoning into Latent Space for Dense Retrieval [74.72139580745511]
  LaSERは、レトリバーの潜在空間に明示的な推論を内部化する、新しい自己蒸留フレームワークである。 提案手法は, 明示的なCoTパイプラインの推論深度と, 標準的な高密度検索器の推論効率をうまく組み合わせる。
  論文  参考訳（メタデータ） (2026-03-02T04:11:18Z)
• Diagnosing Knowledge Conflict in Multimodal Long-Chain Reasoning [78.86309644343295]
  長い連鎖推論におけるマルチモーダルな大言語モデル(MLLM)は、異なる知識源が矛盾する信号を提供するときにしばしば失敗する。 我々は、これらの失敗を知識の衝突という統一概念の下で形式化し、入力レベルの客観的衝突とプロセスレベルの効果的な衝突を区別する。 本研究は,知識衝突下でのマルチモーダル推論のメカニズムを考察し,長CoT障害の診断と制御を可能にする。
  論文  参考訳（メタデータ） (2026-02-16T07:10:44Z)
• ARGORA: Orchestrated Argumentation for Causally Grounded LLM Reasoning and Decision Making [11.531465685641086]
  本稿では,多専門家による議論を明示的な議論グラフにまとめるフレームワークARGORAを紹介する。 ARGORAは個々の議論を排除し、結果を再計算し、どの推論チェーンが必要かを特定する。 さらに,内的推論と外的判断を一致させる補正機構を導入する。
  論文  参考訳（メタデータ） (2026-01-29T10:48:04Z)
• Analyzing Reasoning Consistency in Large Multimodal Models under Cross-Modal Conflicts [74.47786985522762]
  テキスト慣性(textual inertia)と呼ばれる重要な障害モードを特定し、矛盾する視覚的証拠を無視しながら、モデルは間違ったテキストに盲目的に固執する傾向がある。 本稿では,多種多様なLMMの推論連鎖に摂動を構造的に注入するLogicGraph摂動プロトコルを提案する。 その結果,10%未満の症例で自己修正が成功し,主に視覚的テキスト誤りの伝播に寄与することが判明した。
  論文  参考訳（メタデータ） (2026-01-07T16:39:34Z)
• That's Deprecated! Understanding, Detecting, and Steering Knowledge Conflicts in Language Models for Code Generation [55.78914774437411]
  大規模言語モデル(LLM)は、パラメトリック知識とプロンプトに含まれる矛盾する情報との相違に直面して振る舞う。 このような対立を構築・解釈するためのドメインに依存しないフレームワークを提案する。 本研究では, アクティベーションレベルのステアリングが, ランダムベースライン上でのステアリング成功率を最大12.6%向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-10-21T22:27:56Z)
• Unraveling Cross-Modality Knowledge Conflicts in Large Vision-Language Models [33.76903352835436]
  LVLM(Large Vision-Language Models)は、マルチモーダル入力をキャプチャし、推論する能力を示す。 これらのモデルは、そのビジョンと言語コンポーネント間の表現された知識の不整合から生じるパラメトリックな知識の衝突を招きやすい。 我々は、それらを検出し、解釈し、緩和するための体系的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-04T17:59:28Z)
• Towards CausalGPT: A Multi-Agent Approach for Faithful Knowledge Reasoning via Promoting Causal Consistency in LLMs [55.66353783572259]
  Causal-Consistency Chain-of-Thoughtは、基礎モデルの忠実さと因果性を強化するために、マルチエージェントコラボレーションを活用する。 我々のフレームワークは、広範囲かつ包括的な評価を通じて、最先端の手法よりも大きな優位性を示す。
  論文  参考訳（メタデータ） (2023-08-23T04:59:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。